基于神经网络数字识别技术探究

《基于神经网络数字识别技术探究》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于神经网络数字识别技术探究　　摘要：将图像的像素特征与矩特征结合，构建了神经网络分类器，利用提取的特征向量对分类器进行了训练和测试。将图像二值化，并归一化为16*16大小，提取了其每个像素点的0、1特征共16*16=256维，图像的网格特征13维，及Hu矩特征7维，一共276维特征。建立了BP神经网络分类器，分别使用最速下降BP算法、动量BP算法、学习率可变BP算法对BP神经网络分类器进行了训练，得出了在相同条件下学习率可变BP算法训练时间短，收敛快的结论。建立了PNN神经网络分类器，与BP神经网络分类器性能进行比较，实验结果表明，PNN神经网络分类器性能更好。关键词关键词：神

2、经网络；数字识别；特征提取中图分类号：TP312文献标识码：A文章编号：16727800（2014）0020058030引言数字识别是模式识别领域的一个重要分支，在表单自动读取、信息录入等方面有着重要作用。图像的像素特征反映了图像的大量信息，稳定性好、易于实现。其矩特征具有平移、旋转和缩放不变性，匹配性好[1]。4人工神经网络是由大量简单的基本元件——神经元相互连接，通过模拟人的大脑神经处理信息的方式，进行信息并行处理和分线性转换的复杂网络系统[2]。自1943年心理学家McCulloch和数学家Pitts提出神经元生物学模型以来，人工神经网络经过不断地发展成熟，至今已经广泛地应

3、用于各个领域。本文将图像的像素特征和矩特征相结合，用于人工神经网络分类器的训练和测试，获得了良好的识别效果。1图像特征提取特征提取是根据测量数据确定出对分类有意义的数据作为特征数据，这些特征类内样本距离应尽量小，类间样本距离应尽量大[3]。特征提取算法应具有较高的稳定性和鲁棒性，同时又便于提取，易于实现。在特征提取之前，需要对图像进行预处理。首先，将图像进行二值化处理，保证目标像素值为1，背景像素值为0；然后，将图像归一化为16*16像素大小。在完成图像二值化和归一化的基础上，再对图像的像素特征和Hu矩特征进行特征提取。1.1像素特征提取将16*16的二值图像矩阵转化为256维的

4、0、1向量，得到图像的256维像素特征。4将图像水平分成四份，垂直分成两份，分别统计这8个区域内白像素的个数，得到8维特征。水平和垂直各划两条线把水平和垂直分割成三分，统计这四条线穿过的白像素的个数，得到4维特征。字符图像全部白像素数作为1维特征，得到图像的13网格特征[4]，数字1-9的13网格特征如表1所示。本文设计的PNN神经网络输入向量为上文提取的276维特征向量，激活函数采用高斯函数，与BP神经网络采用相同的测试集，识别率达到92.5%。与BP神经网络相比，识别率有了大大提高，且省去了训练时间。3结语BP神经网络采用学习率可变的训练算法，收敛速度最快，可有效节省时间。P

5、NN神经网络在创建网络的过程中对网络进行训练，简化了BP神经网络复杂的学习过程，且与BP神经网络相比具有更好的分类性能。在模式识别领域，PNN神经网络有着巨大的优越性。当然，本文使用的276维特征存在一定程度的冗余，是制约分类器性能的一方面原因，在以后的研究中需要在这些方面作出改进。参考文献：[1]李晓慧.基于MATLAB的BP神经网络的应用[J].科技信息，2010（26）.[2]徐远芳，周旸，郑华.基于MATLAB的BP神经网络实现研究[J].微型电脑应用，2006（08）.[3]NeuralNetworkToolbox[M].Mathworks，2007：113.[4]TA

6、N，KOKKIONG.Neuralnetworkcontrol：theoryandapplications[M].ResearchStudiesPress，2004.4[5]周明，孙树栋.遗传算法原理及应用[M].北京：国防工业出版社，1999.[6]魏海坤.神经网络结构设计的理论与方法[M].北京：国防工业出版社，2005.[7]吕琼帅.BP神经网络的优化与研究[D].郑州：郑州大学，2011.[8]高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2003.[9]王建梅，覃文忠.基于L-M算法的BP神经网络分类器[J].武汉大学学报：信息科学版，2005（10）.

7、[10]JLIM，AVOPPENHEIRN.Advancedtopicsinsignalprocessing[M].PrenticeHall，2005.（责任编辑：云昭洁）4